SEWAGATI, Jurnal Pengabdian Kepada Masyarakat - LPPM ITS, 6(6), 2022 (e-ISSN:2613-9960

DOI: https://doi.org/10.12962/j26139960.v6i6.416 Naskah Masuk 23-05-2022; Naskah Diulas 13-06-2022; Naskah Diterima 06-07-2022

NASKAH ORISINAL

Peningkatan Kemampuan Pengolahan Data Penelitian Bagi

Dosen-Dosen di Kabupaten Sumenep

Agus Suharsono1, | Muhammad Mashuri1 | Hidayatul Khusna1 | Wibawati1 | Muhammad Ahsan1

∗

1 DepartemenStatistika, Institut Teknologi

Sepuluh Nopember, Surabaya, Indonesia
Korespondensi
*Agus Suharsono, Departemen Statistika,
Institut Teknologi Sepuluh Nopember,
Surabaya, Indonesia. Alamat e-mail:
agus_s@statistika.its.ac.id
Alamat
Laboratorium Statistika Bisnis dan Industri,
Departemen Statistika, Institut Teknologi
Sepuluh Nopember, Surabaya, Indonesia
Abstrak
Penelitian merupakan salah satu bagian dari Tridharma Perguruan Tinggi, yang wajib
dilaksanakan oleh dosen. Dalam bidang penelitian, Statistika mempunyai peranan
yang sangat penting, yaitu sebagai alat pengolahan dan analisis sehingga hasil peneli-
tian dapat dipertanggung jawabkan secara ilmiah. Namun sebagian dosen, khususnya
sebagai peneliti di luar bidang Statistika, masih merasakan kesulitan untuk mengap-
likasikan ilmu Statistika sebagai penunjang penelitian. Dalam rangka peningkatan
sumber daya manusia, Universitas Wiraraja, Kabupaten Sumenep Madura Jawa
Timur berusaha semaksimal mungkin untuk memperbaiki kualitas keilmuannya den-
gan cara memberikan pelatihan Statistika sebagai penunjang penelitian kepada dosen
di luar bidang Statistika. Dalam hal ini, Tim ITS melalui Pengabdian Masyarakat
yang merupakan salah satu kegiatan Tri Dharma Peguruan Tinggi, turut serta dalam
peningkatan pengetahuan ilmu Statistika sebagai alat penunjang penelitian kepada
para dosen di Kabupaten Sumenep Madura Jawa Timur. Materi pelatihan yang
merupakan penunjang kegiatan Tri Dharma Peguruan Tinggi, khususnya bidang
penelitian, diantaranya statistika deskriptif, pengujian hipotesis, regresi serta analisis
jalur. Pelatihan ini ditindaklanjuti melalui kegiatan pendampingan. Karena itu, target
dari kegiatan ini adalah peserta dapat mengaplikasikan materi yang telah diperoleh
sehingga dapat menghasilkan proposal hingga hasil penelitian yang berkualitas.

Kata Kunci:

Analisis jalur, Pengolahan Data, Pengujian Hipotesis, Regresi, Statistika

1 PENDAHULUAN

1.1 Latar Belakang

Statistika adalah sekumpulan metode yang digunakan untuk mengumpulkan, menganalisis, mempresentasikan dan menginter-
pretasikan data kuantitatif maupun kualitatif [1] . Statistika banyak digunakan dalam penelitian ilmiah untuk melakukan pengujian
Suharsono, DKK. 763

berdasarkan sejumlah data hasil suatu eksperimen atau pengamatan. Secara umum statistika meliputi statistika deskriptif dan
inferensia. Statistika deskriptif merupakan metode statistika yang berhubungan dengan pengelompokan, peringkasan dan penya-
jian data sehingga menjadi informasi yang berguna. Statistika inferensia adalah teknik statistika yang berhubungan dengan
analisis data sampel sampai pada peramalan dan penarikan kesimpulan atas data populasi. Generalisasi dari hasil statistika infer-
ensia selalu menghasilkan sifat yang tidak pasti karena berdasarkan pada informasi parsial sebagian data populasi. Oleh karena
itu pendekatan statistika inferensia menggunakan ilmu peluang untuk menganalisisnya dan terkait dalam pengujian hipotesis
penelitian. Teknik-teknik umum yang dipakai meliputi uji hipotesis, analisis varians, teknik regresi dan korelasi [2] .

Dosen sebagai salah satu pelaksana pendidikan diharapkan mampu menguasai Tridharma Perdosenan Tinggi, yaitu Pengajaran,
penelitian dan pengabdian kepada masyarakat. Universitas Wiraraja merupakan salah satu lembaga Pendidikan Tinggi yang
berada di Kabupaten Sumenep Jawa Timur, berkomitmen untuk melakukan peningkatan kualitas Dosen dengan cara melakukan
pembinaan serta pendampingan khususnya dalam bidang Metodologi Penelitian yang menggunakan alat yaitu Statistika. Beber-
apa topik pendalaman materi yang dibutuhkan adalah statistika deskriptif, uji hipotesis satu populasi dan uji hipotesis dua
populasi, estimasi, analisis regresi, analsis jalur serta sistematika penulisan laporan penelitian.

Tim Statistika ITS dalam hal ini melalui Pengabdian Masyarakat yang merupakan salah satu kegiatan Tri Dharma Perdosenan
Tinggi, turut serta dalam peningkatan kualitas dosen, dengan melakukan pelatihan Peningkatan Kemampuan Pengolahan Data
Penelitian Bagi Dosen-Dosen di Kabupaten Sumenep.

1.2 Perumusan Konsep dan Strategi Kegiatan

Tim Statistika ITS dalam hal ini melalui Pengabdian Masyarakat yang merupakan salah satu kegiatan Tri Dharma Perdosenan
Tinggi, turut serta dalam peningkatan kualitas dosen, dengan melakukan pelatihan Peningkatan Kemampuan Pengolahan Data
Penelitian Bagi Dosen-Dosen di Kabupaten Sumenep.

1.3 Tujuan, Manfaat, dan Dampak Kegiatan

Tujuan dan manfaat dari kegiatan ini adalah untuk melatih dan meningkatkan kemampuan analisis dan pengolahan data dengan
metode Statistika bagi para dosen di Kabupaten Sumenep Madura Jawa Timur. Dampak lain yang diharapkan dari kegiatan
pelatihan ini yaitu akan menghasilkan produk proposal penelitian ataupun makalah-makalah untuk mengikuti seminar.

1.4 Target Luaran

Luaran pada kegiatan Abmas ini adalah paper yang di-submit pada jurnal nasional abmas yaitu Sewagati.

2 SOLUSI DAN METODE KEGIATAN

Sasaran kegiatan pelatihan ini adalah untuk meningkatkan kemampuan analisis dan pengolahan data dengan metode statistika
bagi Dosen di Universitas Wiraraja Sumenep. Untuk mendapatkan hasil yang optimal, konsep dalam kegiatan pengabdian ini
berupa pelatihan dalam bentuk pendampingan pembelajaran statistika untuk para dosen di Kabupaten Sumenep Madura Jawa
Timur. Pada sesi pelatihan, selain diberikan penjabaran dan penjelasan mendetail mengenai materi yang dibutuhkan dalam
penelitian juga akan dikenalkan pengolahan data dengan program komputer, contoh kasus penggunaan metode statistika dalam
penelitian diantaranya statistika deskriptif, pengujian hipotesis, estimasi, analisis regresi, SEM, GWR, serta analisis spasial.
Antusiasme dan keaktifan peserta pelatihan dapat dilihat pada Gambar (1 ).

Setelah sesi pelatihan, program pengabdian ini akan dilanjutkan dengan pendampingan dimana setiap kelompok diharap-
kan mampu memberikan contoh kasus nyata dalam penelitian. Selain itu, dibuka kesempatan untuk melakukan diskusi dan
konsultasi. Diharapkan dengan strategi ini, para dosen lebih mudah memahami dan dapat menerapkan dalam dunia nyata.

Metode yang akan digunakan dalam pelatihan Peningkatan Kemampuan Pengolahan Data Penelitian Bagi Dosen-Dosen di
Kabupaten Sumenep Jawa Timur adalah sebagai berikut.

(a) Metode ceramah

764 Suharsono, DKK.

Gambar 1 Dokumentasi kegiatan pelatihan secara offline.

Dilakukan untuk menjelaskan secara singkat tentang pengujian hipotesis, variabel random, distribusi probabilitas
(binomial dan normal) serta teknik sampling.

(b) Diskusi dan latihan

Setelah mengenal metode statistik peserta diberi kesempatan untuk mengerjakan tugas dan melakukan latihan berdasarkan
data yang dimiliki atau berdasarkan permasalahan yang sering dihadapi oleh para dosen. Pada sesi ini peserta dibagi
menjadi beberapa kelompok dan setiap kelompok didampingi oleh seorang pendamping.

(c) Penerapan/aplikasi software statistika

Sebagai tindak lanjut dari penyampaian materi pembelajaran statistika, maka dilakukan praktek pengolahan data dengan
program komputer dan menginterpretasikan hasilnya.

Jadwal pelaksanaan kegiatan pengabdian masyarakat dilaksanakan pada 24-25 September 2021 di Universitas Wiraraja Sumenep
Madura (hybrid), jadwal pertemuan pertama disajikan pada Tabel 1 , sementara jadwal pelaksanaan pertemuan kedua diberikan
pada Tabel 2 .

Tabel 1 Pertemuan I

Materi Penanggungjawab
Registrasi Panitia
Pembukaan
- Sambutan Tim ITS
- Sambutan Universitas Wiraraja
Statistika Deskriptif Tim Pemateri
Pengujian Hipotesis Satu Populasi dan Estimasi Tim Pemateri
ISHOMA
Uji Hipotesis Dua Populasi Tim Pemateri
Penugasan Panitia

3 CAPAIAN HASIL

3.1 Hasil Kegiatan

Setelah mengikuti pelatihan ini diharapkan:

1. Peserta pelatihan dapat meningkatkan kompetensi mengolah dan menganalisis data dengan program statistika.
Suharsono, DKK. 765

Tabel 2 Pertemuan II

Jam Materi Penanggungjawab

08.30 - 10.00 Regresi dan Korelasi Tim Pemateri
10.00 – 10.30 Analisis jalur Tim Pemateri
10.30 – 12.00 Studi Kasus Tim Pemateri
12.00 – 13.00 ISHOMA
13.00 - 15.00 Studi Kasus Tim Pemateri
15.00 – 16.00 Penutupan Panitia

2. Peserta pelatihan dapat membuat laporan hasil penelitian berdasarkan sistematika penulisan laporan serta data-data yang
sudah dimiliki.

Selain itu, pelatihan ini juga diharapkan akan menghasilkan paper yang akan dipublikasiakan pada Jurnal Nasional.

3.2 Materi Pelatihan

1. Data dan Variabel

(a) Jenis Data

(i) Diskrit: data angka yang nilainya tertentu. Nilai ini merupakan bilangan asli dan tidak mungkin dalam bentuk
pecahan atau desimal

(ii) Kontinu: data yang mempunyai nilai dalam suatu interval tak terbatas

(b) Sifat Data

(i) Kuantitatif: data yang dinyatakan dalam angka

(ii) Kualitatif: data yang tidak dinyatakan dalam angka, namun berupa kategori.

(c) Skala Pengukuran Data

Stevens (1951) mengusulkan empat tipe skala pengukuran yaitu sebagai berikut [3] .

(i) Nominal: hanya dapat dilakukan pembedaan. Contoh: jenis kelamin dan agama

(ii) Ordinal: mempunyai sifat membedakan dan dapat urutan. Contoh: tingkat pendidikan dan klasifikasi income

(iii) Interval: mempunyai sifat membedakan, memiliki urutan dan juga mempunyai jarak yang sama, sehingga dapat
dinyatakan secara kuantitatif. Contoh: IPK, suhu tubuh

(iv) Rasio: mempunyai sifat membedakan, memiliki urutan, juga mempunyai jarak yang sama dan memiliki nilai
nol multlak. Contoh: income, tinggi badan, dan berat.

(d) Jenis Variabel

(i) Variabel independent/predictor/bebas

Variabel yang mempengaruhi atau menjelas-kan variabel lainnya (variabel yang menjadi sebab perubahan atau
timbulnya variabel lain)

(ii) Variabel dependen/respon/output/tak bebas

Variabel yang nilainya dipengaruhi atau dapat dijelaskan oleh variabel lain. (variabel yang menjadi akibat karena
adanya variabel bebas).
766 Suharsono, DKK.

2. Uji Hipotesis dan ANOVA

(a) Hipotesis Nol dan Hipotesis Alternatif

• Hipotesis statistik adalah pernyataan atau dugaan tentang satu atau lebih populasi [4]

• Dalam membuat rumusan pengujian hipotesis, hendaknya kita selalu membuat pernyataan hipotesis yang
diharapkan akan diputuskan untuk ditolak

• Hipotesis yang dirumuskan dengan harapan untuk ditolak disebut hipotesis nol yang ditulis 𝐻0

• Penolakan hipotesis nol akan menjurus pada penerimaan hipotesis alternatif atau hipotesis tandingan yang ditulis
𝐻1

(b) Konsep Pengujian Hipotesis

• Ada dua kemungkinan yang akan kita putuskan untuk hipotesis yang telah kita buat, yaitu menolak hipotesis nol
atau menerima hipotesis nol, setelah kita menghitung statistika dari sampel

• Menolak hipotesis nol artinya kita menyimpul-kan bahwa hipotesis tersebul tidak benar. Sedangkan menerima
hipotesis nol artinya tidak cukup informasi dari sampel untuk menyimpulkan bahwa hipotesis tersebut harus kita
tolak. Artinya walaupun hipotesis itu kita terima, tidak berarti bahwa hipotesis itu benar.

(c) Tipe Kesalahan

• Kesalahan tipe I : Menolak 𝐻0 padahal 𝐻0 benar

• Kesalahan tipe II: Gagal tolak 𝐻0 padahal 𝐻0 salah

• Nilai 𝑃 = 1 − 𝛽 disebut Power of Test.

Tabel 3 Tipe Kesalahan

Keputusan Keadaan yang Sesungguhnya

𝐻0 benar 𝐻0 salah
Gagal Tolak 𝐻0 Benar 1 − 𝛼 Keputusan Salah (Kesalahan Tipe II)
𝛽 = 𝑃 (Kesalahan tipe II)
Tolak 𝐻0 Keputusan Salah (Kesalahan Tipe I) Benar 𝑃 = 1 − 𝛽
𝛼 = 𝑃 (Kesalahan tipe I)

(d) Parameter yang diuji

Tabel 4 Parameter yang Diuji

Parameter Population Sample

Mean 𝜇 𝑥̄
Variance 𝜎2 𝑠2
Proportion p P

(e) Uji Hipotesis Satu Arah

Suharsono, DKK. 767

Jika hipotesis nol, 𝐻0 ∶ 𝜇 = 𝜇0 dilawan dengan hipotesis alternatif 𝐻1 ∶ 𝜇 > 𝜇0 atau 𝐻1 ∶ 𝜇 < 𝜇0 .

Gambar 2 Daerah kritis Uji Hipotesis Satu Arah.

(f) Uji Hipotesis Dua Arah

Jika hipotesis nol ini dilawan dengan hipotesis alternatif 𝐻1 ∶ 𝜇 ≠ 𝜇0 .

Gambar 3 Daerah kritis Uji Hipotesis Dua Arah.

(g) Pengujian Rata-rata 1 Populasi

Terdapat dua macam statistik uji yang bisa digunakan yaitu:

• Untuk sampel besar (𝑛30) dan 𝜎 2 diketahui menggunakan statistik uji Z

• Untuk sampel kecil (𝑛 < 30∕𝜎 2 tidak diketahui) menggunakan statistik uji t

• Hipotesis:

Uji Satu Arah Uji Dua Arah

𝐻0 ∶ 𝜇 = 𝜇0 𝐻0 ∶ 𝜇 = 𝜇0
𝐻1 ∶ 𝜇 < 𝜇0 𝐻1 ∶ 𝜇 ≠ 𝜇0
atau
𝐻0 ∶ 𝜇 = 𝜇0
𝐻1 ∶ 𝜇 > 𝜇0

(h) Uji Z untuk 1 Populasi

• Bila simpangan baku (𝜎) dari populasi itu diketahui, dan sampel yang dipakai sebanyak 𝑛30, maka statistik uji
yang dipakai untuk menguji hipotesis rata-rata populasi tersebut adalah:
768 Suharsono, DKK.

Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, atau nilai statistik uji

|𝑍ℎ𝑖𝑡 | > 𝑍𝛼∕2 untuk uji 2 arah

|𝑍ℎ𝑖𝑡 | > 𝑍𝛼 untuk uji 1 arah

• Contoh: Seorang peneliti mengukur tinggi kacang hijau yang telah ditanam sealam dua minggu. Terdapat 40
sampel tanaman kacang hijau. Diketahui bahwa tinggi kacang hijau berdistribusi normal dengan standar deviasi
3. Untuk menguji apakah mean populasi adalah 10,5 dan untuk mendapatkan interval kepercayaan 90% untuk
mean, digunakan uji z.

(i) Uji t untuk 1 Populasi

• Bila simpangan baku (𝜎) dari populasi itu tidak diketahui, dan sampel yang dipakai sebanyak 𝑛 < 30, maka
statistik uji yang dipakai untuk menguji hipotesis rata-rata populasi tersebut adalah:

Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, atau nilai statistik uji

|𝑡ℎ𝑖𝑡 | > 𝑡𝛼∕2,(𝑛−1) untuk uji 2 arah

|𝑡ℎ𝑖𝑡 | > 𝑡𝑎,(𝑛−1) untuk uji 1 arah

• Contoh: Pengukuran dilakukan pada sembilan widget. Anda tidak tahu distribusi dari hasil pengukuran. Untuk
menguji apakah mean populasi adalah 5 dan untuk mendapatkan interval kepercayaan 90% untuk mean, digunakan
uji t.

(j) Pengujian Varians 1 Populasi

• Hipotesis:

Uji Satu Arah Uji Dua Arah

𝐻0 ∶ 𝜎 2 = 𝜎02 𝐻0 ∶ 𝜎 2 = 𝜎02
𝐻1 ∶ 𝜎 2 > 𝜎02 𝐻1 ∶ 𝜎 2 < 𝜎02
𝐻0 ∶ 𝜎 2 = 𝜎02
𝐻1 ∶ 𝜎 2 ≠ 𝜎02

• Statistik Uji:
(𝑛 − 1)𝑆 2
𝑥2 = (1)
𝜎02
dimana
∑𝑛 ̄ 2 ∑𝑛
2 𝑖=1
(𝑋𝑖 − 𝑋) 𝑖=1
𝑋𝑖2 − 𝑛𝑋̄ 2
𝑆 = =
𝑛−1 𝑛−1
dan
1∑
𝑛
𝑋̄ = 𝑋
𝑛 𝑖=1 𝑖

• Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, atau 𝑋ℎ𝑖𝑡

2 2
< 𝑋1− 𝛼
;𝑛−1
atau 𝑋ℎ𝑖𝑡
2
> 𝑋 2𝛼 ;𝑛−1
2 2

• Contoh: Anda adalah inspektur kontrol kualitas di pabrik yang membuat suku cadang presisi tinggi untuk mesin
pesawat, termasuk pin logam yang panjangnya harus 15 inchi. Hukum keselamatan menentukan bahwa varians
panjang pin tidak boleh melebihi 0,001 inchi. Analisis sebelumnya menentukan bahwa panjang pin terdistribusi
Suharsono, DKK. 769

secara normal. Anda mengumpulkan sampel 100 pin dan mengukur panjangnya untuk melakukan uji hipotesis
dan membuat interval kepercayaan untuk varians populasi.

(k) Pengujian Varians 2 Populasi

• Hipotesis:
𝐻0 ∶ 𝜎12 = 𝜎22
𝐻1 ∶ 𝜎12 ≠ 𝜎22

• Statistik Uji:
𝑆12
𝐹 = (2)
𝑆22
dimana

𝜎12 = variansi populasi I

𝜎22 = variansi populasi II

𝑆12 = variansi sampel populasi I

𝑆22 = variansi sampel populasi II

• Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, atau 𝐹 > 𝐹 𝑎 ;(𝑛1 −1),(𝑛2 −1)

2

• Contoh: Sebuah studi dilakukan untuk mengevaluasi efektivitas dua perangkat untuk meningkatkan efisiensi sis-
tem pemanas rumah gas. Konsumsi energi di rumah diukur setelah salah satu dari dua perangkat dipasang. Kedua
perangkat tersebut adalah peredam ventilasi listrik (Peredam = 1) dan peredam ventilasi yang diaktifkan secara
termal (Peredam = 2). Data konsumsi energi (BTU.In) dicatat dalam satu kolom dengan kolom pengelompokan
(Damper) yang berisi pengenal untuk menun-jukkan populasi asal (Peredam 1/Peredam 2). Anda tertarik untuk
membandingkan simpangan baku dari dua populasi sehingga Anda dapat membuat uji-t 2-Sampel dan interval
kepercayaan untuk membandingkan dua peredam.

(l) Pengujian Rata-rata 2 Populasi

Terdapat dua macam statistik uji yang bisa digunakan yaitu:

• Uji t untuk 2 populasi (2-sample t test): apabila pengamatan diukur dari sampel yang berbeda.

• Uji t berpasangan (paired t test): apabila pengamatan diukur dari sampel (individu) yang sama.

(m) Dua-Sample t Test

• Independen berarti ketika tindakan mengumpulkan dan mengukur salah satu sampel tidak berpengaruh pada apa
yang disampel atau diukur dalam sampel lainnya.

• Hipotesis:

Uji Satu Arah Uji Dua Arah

𝐻0 ∶ 𝜇1 = 𝜇2 𝐻0 ∶ 𝜇1 = 𝜇2
𝐻1 ∶ 𝜇1 > 𝜇2 𝐻1 ∶ 𝜇1 ≠ 𝜇2
atau
𝐻0 ∶ 𝜇1 = 𝜇2
𝐻1 ∶ 𝜇1 < 𝜇2
770 Suharsono, DKK.

• Statistik Uji:
(𝑋̄ 1 − 𝑋̄ 2 ) − 0
𝑡= √ (3)
𝑆𝑝 𝑛1 + 𝑛1
1 2

• Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, atau pada pengujian satu arah:

– Jika 𝐻1 ∶ 𝜇1 > 𝜇2 dan 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝛼;𝑛1 +𝑛2 −2 maka 𝐻0 ditolak

– Jika 𝐻1 ∶ 𝜇1 < 𝜇2 dan 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 < 𝑡𝛼;𝑛1 +𝑛2 −2 maka 𝐻0 ditolak

dan pada pengujian dua arah:

– Jika 𝐻1 ∶ 𝜇1 ≠ 𝜇2 dan 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝛼∕2;𝑛1 +𝑛2 −2 atau 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 < −𝑡𝛼∕2;𝑛1 +𝑛2 −2 maka 𝐻0 ditolak

• Contoh: Sebuah studi dilakukan untuk mengevaluasi efektivitas dua perangkat untuk meningkatkan efisiensi sis-
tem pemanas rumah gas. Konsumsi energi di rumah diukur setelah salah satu dari dua perangkat dipasang. Kedua
perangkat tersebut adalah peredam ventilasi listrik (Peredam=1) dan peredam ventilasi yang diaktifkan secara
termal (Peredam=2). Data konsumsi energi (BTU.In) dicatat dalam satu kolom dengan kolom pengelompokan
(Dam-per) yang berisi pengenal atau subskrip untuk menunjukkan populasi. Misalkan Anda melakukan uji var-
ians dan tidak menemukan bukti bahwa varians tidak sama (lihat contoh uji varians 2 populasi). Sekarang Anda
ingin membandingkan efektivitas kedua perangkat ini dengan menentukan apakah ada bukti bahwa kedua peredam
tersebut menghasilkan konsumsi energi yang berbeda.

(n) Paired t Test

• Berpasangan berarti dua pengukuran dilakukan pada individu yang sama (sebelum dan sesudah, misalnya) atau
pada pasangan individu yang terkait (ayah dan anak, misalnya).

• Hipotesis

Uji Satu Arah Uji Dua Arah

𝐻0 ∶ 𝜇𝑑 = 𝜇0 𝐻0 ∶ 𝜇𝑑 = 𝜇0
𝐻1 ∶ 𝜇𝑑 > 𝜇0 𝐻1 ∶ 𝜇𝑑 ≠ 𝜇0
atau
𝐻0 ∶ 𝜇𝑑 = 𝜇0
𝐻1 ∶ 𝜇𝑑 < 𝜇0

dimana

𝜇𝑑 = rata-rata populasi dari perbedaan

𝜇0 = rata-rata perbedaan yang dihipotesiskan

• Statistik Uji
𝑑̄ − 𝜇0
𝑡= √ (4)
𝑠𝑑 ∕( 𝑛)

• Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼

• Contoh: Sebuah perusahaan sepatu ingin membandingkan dua bahan, A dan B, untuk digunakan pada sol sepatu
anak laki-laki. Dalam contoh ini, masing-masing dari sepuluh anak laki-laki dalam sebuah penelitian mengenakan
sepasang sepatu khusus dengan sol satu sepatu yang terbuat dari Bahan A dan sol sepatu lainnya yang terbuat
dari Bahan B. Jenis sol sepatu secara acak ditugaskan untuk menjelaskan perbedaan sistematis dipakai di antara
Suharsono, DKK. 771

kaki kiri dan kanan. Setelah tiga bulan, sepatu diukur untuk dipakai. Untuk data ini, Anda akan menggunakan uji
t berpasangan daripada uji t tidak berpasangan.

(o) ANOVA Satu Arah

• Analysis of Variance (ANOVA) digunakan untuk menguji rata-rata untuk

– Lebih dari 2 populasi/kategori

– Dependent : kontinu (interval atau ratio)

– Independent : faktor (bisa berupa data kategorik)

• Hipotesis:

𝐻0 ∶ 𝜇1 = 𝜇2 = ... = 𝜇𝑝

𝐻1 : paling sedikit ada satu 𝜇𝑘 yang tidak sama; k = 1,2,...,p

• Contoh: Anda merancang eksperimen untuk menilai daya tahan empat produk karpet. Anda menempatkan sampel
masing-masing produk karpet di empat rumah dan Anda mengukur daya tahan setelah 60 hari. Karena Anda ingin
menguji kesetaraan rata-rata dan untuk menilai perbedaan rata-rata, Anda menggunakan prosedur ANOVA satu
arah dengan beberapa perbandingan.

(p) ANOVA Dua Arah

• Analysis of Variance (ANOVA) dua arah digunakan untuk menguji rata-rata untuk:

– Dependen : Kontinu (interval atau rasio)

– Faktor : ada 2 (baris dan kolom)

– Hipotesis:

𝐻𝑜 : Faktor “baris” signifikan

𝐻1 : Faktor “baris” tidak signifikan

𝐻𝑜 : Faktor “kolom” signifikan

𝐻1 : Faktor “kolom” tidak signifikan

𝐻𝑜 : Faktor “interaksi” antara baris dan kolom signifikan

𝐻1 : Faktor “interaksi” antara baris dan kolom tidak signifikan

• Contoh: Anda sebagai ahli biologi sedang mempelajari bagaimana zooplankton hidup di dua danau. Anda menyi-
apkan dua belas tangki di laboratorium Anda, masing-masing enam dengan air dari salah satu dari dua danau.
Anda menambahkan satu dari tiga suplemen nutrisi ke setiap tangki dan setelah 30 hari Anda menghitung zoo-
plankton dalam satu unit volume air. Anda menggunakan ANOVA dua arah untuk menguji apakah rata-rata
populasi sama, atau setara, untuk menguji apakah ada bukti signifikan dari interaksi dan efek utama.

3. Korelasi dan Regresi

(a) Hubungan Antar Variabel

• Bentuk hubungan dua variabel (misal X dan Y) pada umumnya terdiri atas 2 macam, yaitu ada hubungan antara
dua variabel (positif atau negatif) dan tidak ada hubungan

• Hubungan X dan Y dikatakan positif apabila kenaikan (penurunan) X pada umumnya diikuti oleh kenaikan
(penurunan) Y
772 Suharsono, DKK.

• Hubungan X dan Y dikatakan negatif apabila kenaikan (penurunan) X pada umumnya diikuti oleh penurunan
(kenaikan) Y

• X dan Y tidak berhubungan apabila kenaikan /penurunan X pada umumnya tidak diikuti oleh naik turunnya Y

Gambar 4 Diagram Pencar untuk hubungan positif (a), negatif (b), dan tidak ada hubungan antara X dan Y (c).

(b) Koefisien Korelasi

• Kuat dan tidaknya hubungan antara X dan Y apabila dinyatakan dengan fungsi linear, diukur dengan suatu nilai
yang disebut koefisien korelasi.

• −1 ≤ 𝑟 ≤ 1

• Hipotesis:

𝐻0 : tidak ada hubungan antara X dan Y

𝐻1 : ada hubungan antara X dan Y

(c) Regresi Linear Sederhana

• Model regresi linier dengan satu prediktor

• Bentuk umum model :

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑒𝑖 (5)

dimana

𝑌𝑖 = variabel respon

𝑋𝑖 = variabel prediktor

𝛽0 = intercept

𝛽1 = slope

𝑒𝑖 = random error

• Diberikan 𝑌𝑖 dan 𝑋𝑖 untuk estimasi 𝛽0 dan 𝛽1

• Salah satu metode untuk estimasi parameter regresi (𝛽0 dan 𝛽1 ) adalah Ordinary Least Square (OLS) [5]

• Ide dasar dari metode OLS adalah meminimumkan jumlah kuadrat error atau residual sum of square (SSE)

• OLS Estimator:
∑𝑛 ̄ ̄
𝑖=1 (𝑋𝑖 −𝑋)(𝑌𝑖 −𝑌 ) 𝑠𝑋𝑌
𝛽̂1 = ∑𝑛 ̄ 2 =
𝑖=1 (𝑋𝑖 −𝑋) 𝑠𝑋𝑋

𝛽̂0 = 𝑌̄ − 𝛽̂1 𝑋̄ (6)

Suharsono, DKK. 773

(d) Measure of Fit (𝑅2 )

Regression sum of square (SSR):

∑
𝑛
𝑆𝑆𝑅 = (𝑌̂𝑖 − 𝑌̄ )2 (7)
𝑖=1

Total sum of square (SST):

∑
𝑛
𝑆𝑆𝑇 = (𝑌𝑖 − 𝑌̄ )2 (8)
𝑖=1

Coefficient of determination:
𝑆𝑆𝑅
𝑅2 = (9)
𝑆𝑆𝑇
Bagus jika 𝑅2 ≤ 60%

(e) Asumsi Regresi

• Error/residual harus memenuhi asumsi identik, independen, distribusi normal (IIDN)

• Identik: menggunakan Glejser Test

• Independent: Durbin-Watson Test

• Normal: Kolmogorov-Smirnov test

(f) Multiple Linear Regression

Multiple Linerar Regression (Regresi linier berganda) adalah metode analisis yang tepat ketika masalah penelitian
melibatkan variabel respon tunggal yang dianggap terkait dengan dua atau lebih variabel prediktor [6] .

Bentuk umum model regresi linear dengan lebih dari satu variabel prediktor:

𝑦𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + ⋯ + 𝛽𝑝 𝑋𝑖𝑝 + 𝜀𝑖 (10)

alternatif :

𝑦 = 𝑋𝛽 + 𝜀 (11)

y = variabel respon

x = variabel prediktor

𝛽0 , ⋯ , 𝛽𝑝 = parameter regresi

(g) Estimator OLS (Bentuk Matriks)

Tabel 5 Estimator OLS

Sumber variasi SS DF MS 𝐅𝐡
Regresi SSR 1 SSR/1 MSR/MSE
Residual SSE n-2 SSE/(n-2)
Total SST n-1 SST/(n-1)
774 Suharsono, DKK.

𝑆𝑆𝑅 = 𝛽̂𝑇 𝑋 𝑇 𝑦
𝑆𝑆𝑇 = 𝑦𝑇 𝑦 (12)
𝑆𝑆𝐸 = 𝑦 𝑦 − 𝛽̂𝑇 𝑋 𝑇 𝑦
𝑇

(h) Uji Signifikansi Parameter Regresi

• Uji serentak (menguji ANOVA)

Hipotesis:

𝐻0 ∶ 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0

𝐻1 = minimal ada satu 𝛽𝑗 yang tidak sama; 𝑗 = 1, ⋯ , 𝑝

• Uji individu/parsial (jika hasil uji serentak adalah tolak 𝐻0 )

Hipotesis:

𝐻0 ∶ 𝛽𝑗 = 0

𝐻1 ∶ 𝛽𝑗 ≠ 0; 𝑗 = 1, ⋯ , 𝑝

4. Path Analysis

(a) Sejarah: Path Analysis

Diperkenalkan oleh Sewall Wright (1921) – ahli genetika. Dipopulerkan oleh Otis Dudley Duncan (1966) - ahli
sosiologi. Land (1968) membahas secara teoritis dan prosedur Path Analysis

(b) Path Analysis

• Merupakan perluasan dari analisis regresi yang digunakan untuk menerangkan pengaruh langsung dan tidak lang-
sung seperangkat variabel, sebagai variabel penyebab terhadap seperangkat variabel lain yang merupakan variabel
akibat.

• Bertujuan utk menguji apakah model yang diusulkan didukung oleh data, dengan cara membandingkan matriks
korelasi teoritis dan matriks korelasi empiris. Jika kedua matriks relatif sama, maka model dikatakan cocok

• Salah satu analisis jalur adalah analisis PLS dimana Structural Equation Modeling berbasis kovarians. Dua contoh
dari disiplin Sistem Informasi yaitu yang pertama terdiri dari konstruksi dengan indikator reflektif (mode A) dan
ini ditindaklanjuti dengan model yang mencakup konstruk dengan indikator formatif (mode B) [7] . Pembahasan
dan pengembangan mengenai analisis jalur, baik SEM maupun PLS dapat ditemukan pada penelitian Vinzi et
al.(2010) [8] , Chin (1998) [9] , Ghazali (2017) [10] , dan Fornell & Larcker (1981) [11] .

• Pengujian dilakukan dengan menggunakan koefisien determinasi ganda (multiple determination) [3]

• Mempelajari apakah hubungan yang terjadi disebabkan oleh pengaruh langsung dan tidak langsung dari variabel
independen terhadap variabel dependen

• Mempelajari ketergantungan sejumlah variabel dalam suatu model (model kausal).

• Menganalisis hubungan antar variabel dari model kausal yang telah dirumuskan oleh peneliti atas dasar pertim-
bangan teoritis

• Menguji seperangkat hipotesis kausal dan menginterpretasikan hubungan tersebut (langsung atau tidak langsung)

(c) Manfaat
Suharsono, DKK. 775

• Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti

• Prediksi nilai variabel dependen berdasarkan nilai variabel independent

• Faktor Penentu, yaitu penentuan variabel independen mana yang berpengaruh dominan terhadap variabel depen-
den. Selain itu juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel dependen
terhadap variabel independen

• Pengujian model, menggunakan theory triming, baik untuk uji keajegan konsep yang sudah ada ataupun uji
pengembangan konsep baru

(d) Variabel dalam Path Analysis

• Variabel eksogen/ independen

– Ditetapkan sebagai variabel pemula, memberi efek pada variabel lain

– Tidak dipengaruhi oleh variabel lain

• Variabel endogen/ dependen

Variabel yang keragamannya terjelaskan oleh variabel eksogen dan/atau variabel endogen lainnya

(e) Ilustrasi

Gambar 5 Ilustrasi Path Analysis.

(f) Langkah-langkah Path Analysis

(1) Pertama (Perancangan Model)

Merancang model berdasarkan konsep dan teori. Misal, secara teoritis:

• Variabel Motivasi berpengaruh terhadap Kepuasan dan Loyalitas

• Loyalitas dipengaruhi oleh Kepuasan

• Variabel Kepuasan dan Loyalitas berpengaruh terhadap Kinerja

• Berdasarkan hubung-hubungan antar variabel secara teoritis tersebut, dapat dibuat model Hipotetik (Gambar
(6 ))

• Model tersebut juga dapat dinyatakan dalam bentuk persamaan, sehingga membentuk sistem persamaan /
sistem persamaan simultan / model struktural

– 𝐾𝑒𝑝𝑢𝑎𝑠𝑎𝑛 = 𝛼0 + 𝛼1 𝑀𝑜𝑡𝑖𝑣𝑎𝑠𝑖 + 𝜀1

– 𝐿𝑜𝑦𝑎𝑙𝑖𝑡𝑎𝑠 = 𝛽0 + 𝛽1 𝑀𝑜𝑡𝑖𝑣𝑎𝑠𝑖 + 𝛽2 𝐾𝑒𝑝𝑢𝑎𝑠𝑎𝑛 + 𝜀2

– 𝐾𝑖𝑛𝑒𝑟𝑗𝑎 = 𝛾0 + 𝛾1 𝐾𝑒𝑝𝑢𝑎𝑠𝑎𝑛 + 𝛾2 𝐿𝑜𝑦𝑎𝑙𝑖𝑡𝑎𝑠 + 𝜀3

776 Suharsono, DKK.

Gambar 6 Konstruksi Diagram Jalur.

(2) Kedua (Asumsi)

Asumsi yang melandasi analisis path adalah:

• Di dalam model analisis path, hubungan antar variabel adalah linier dan aditif

• Hanya model rekursif dapat dipertimbangkan, yaitu hanya sistem aliran causal ke satu arah. Sedangkan pada
model yang mengandung causal bolak-balik tidak dapat dilakukan analisis path

• Data variabel endogen minimal dalam skala interval

• Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-
konsep yang relevan

(3) Ketiga (Pendugaan Parameter)

• Metode perhitungan koefisien jalur terdapat tiga cara:

– Pendekatan matriks korelasi; bila model tidak berjenjang (𝑝 = 𝑅−1

𝑥
𝑅𝑦 )

– Koefisien regresi dilanjutkan dengan suatu perhitungan matematik (𝑝𝑖 = 𝑏𝑖 (𝑆𝑥𝑖 ∕𝑆𝑦 ))

– Koefisien regresi standardize

• Pada tulisan ini dipilih metode yang terakhir, yaitu regresi standardize, hal ini mengingat metode ini yang
dipandang paling sederhana

• Di samping itu, perhitungan goodness of fit berupa Koefisien Determinasi Total dapat dilakukan secara
sederhana, dan pelaksanaan Theory Triming dapat dilakukan dengan mudah

(4) Keempat

Pendugaan parameter Koefisien regresi standardize

• Untuk anak panah satu arah → digunakan perhitungan regresi data standardize, secara parsiil pada masing-
masing persamaan

• Metode yang digunakan adalah OLS, yaitu metode kuadrat terkecil biasa. Hal ini dapat dilakukan mengingat
modelnya rekursif

(g) Pengaruh Langsung dan Tidak Langsung

• Koefisien 𝑝𝑖 dinamakan koefisien path pengaruh langsung

• Sedangkan pengaruh tidak langsung dan pengaruh total dihitung dengan cara:
Suharsono, DKK. 777

– Pengaruh langsung Motivasi ke Kepuasan = 𝑝1

– Pengaruh tidak langsung Motivasi ke Kinerja melalui Kepuasan = 𝑝1 × 𝑝4

– Pengaruh tidak langsung Kepuasan ke Kinerja melalui Loyalitas = 𝑝3 × 𝑝5

– Pengaruh total adalah penjumlahan dari pengaruh langsung dan seluruh pengaruh tidak langsung. Pengaruh
total Kepuasan ke kinerja = 𝑝4 + (𝑝3 × 𝑝5 ) = Pengaruh langsung + Pengaruh tidak langsung

(h) Langkah Path Analysis dengan SPSS

Gambar 7 Data untuk Path Analysis.

Gambar 8 Konstruksi Path Analysis untuk data pada Gambar (7 ).

i. Membuka data ke dalam worksheet SPSS (Gambar (9 ))

ii. Lakukan proses analisis (Gambar (10 ))

iii. Regresi 1 (Gambar (11 ))

iv. Output regresi 1 (Gambar (12 ))

v. Regresi 2 (Gambar (13 ))

vi. Output regresi 2 (Gambar (14 ))

vii. Interpretasi regresi 1

778 Suharsono, DKK.

Gambar 9 Langkah membuka data.

Gambar 10 Langkah proses analisis.

Gambar 11 Langkah Regresi 1.

• Dari hasil output model regresi 1, Variabel IQ dan Status Sosial Ekonomi berpengaruh secara langsung dan
signifikan terhadap variabel Motivasi karena nilai sig nya kurang dari 5%

• Besarnya nilai R square 0,973 menunjukkan bahwa kontribusi atau sumbangan pengaruh variabel IQ dan
Status Sosial Ekonomi terhadap variabel Motivasi adalah sebesar 97,3%
√ √
• Pengaruh error dari model 1 yaitu 𝑒1 = 1 − 𝑅21 = 1 − 0, 924 = 0, 2756

viii. Koefisien jalur path 1 (Gambar (15 ))

Suharsono, DKK. 779

Gambar 12 Output Regresi 1.

Gambar 13 Langkah Regresi 2.

Gambar 14 Output Regresi 2.

ix. Interpretasi regresi 2

• Dari hasil output model regresi 2 dihasilkan variabel IQ, Status Sosial Ekonomi dan Motivasi berpengaruh
secara langsung dan signifikan terhadap variabel Prestasi karena nilai sig nya kurang dari 5%

• Besarnya nilai R square 0,973 menunjukkan bahwa kontribusi atau sumbangan pengaruh variabel IQ, Status
Sosial Ekonomi dan Motivasi terhadap variabel Prestasi adalah sebesar 97,3%
√ √
• Pengaruh error dari model 2 yaitu 𝑒2 = 1 − 𝑅22 = 1 − 0, 973 = 0, 1643
780 Suharsono, DKK.

Gambar 15 Koefisien jalur path 1.

x. Koefisien Jalur Path 2 (Gambar (16 ))

Gambar 16 Koefisien jalur path 2.

(i) Hasil dan Pembahasan

(1) Analisis pengaruh IQ terhadap Motivasi: Ada pengaruh langsung IQ terhadap Motivasi (sig value 0, 000 <
0, 005)

(2) Analisis pengaruh SSE terhadap Motivasi: Ada pengaruh langsung SSE terhadap Motivasi (sig value 0, 037 <
0, 005)

(3) Analisis pengaruh IQ terhadap Prestasi: Ada pengaruh langsung IQ terhadap Prestasi (sig value 0, 003 < 0, 005)

(4) Analisis pengaruh SSE terhadap Prestasi: Ada pengaruh langsung SSE terhadap Prestasu (sig value 0, 002 <
0, 005)

(5) Analisis pengaruh Motivasi terhadap Prestasi: Ada pengaruh langsung Motivasi terhadap Prestasi (sig value
0, 001 < 0, 005)

(6) Analisis Pengaruh IQ terhadap Prestasi melalui Motivasi:

• Pengaruh Langsung IQ terhadap Prestasi 0,798

• Pengaruh Tidak Langsung IQ terhadap Prestasi melalui Motivasi 0, 118 × 0, 774 = 0, 091

• Pengaruh Total 0, 798 + 0, 091 = 0, 889

Berdasarkan hasil perhitungan diatas, Pengaruh langsung 0,798 lebih besar dari Pengaruh tidak langsung 0,091
yang berarti ada pengaruh langsung IQ terhadap Prestasi secara signifikan.

(7) Analisis Pengaruh SSE terhadap Prestasi melalui Motivasi :

• Pengaruh Langsung SSE terhadap Prestasi 0,818

• Pengaruh Tidak Langsung SSE terhadap Prestasi melalui Motivasi 0, 164 × 0, 774 = 0, 127
Suharsono, DKK. 781

• Pengaruh Total 0, 818 + 0, 127 = 0, 945

Berdasarkan hasil perhitungan diatas, Pengaruh langsung 0,818 lebih besar dari Pengaruh tidak langsung 0,127
yang berarti ada pengaruh langsung.

4 KESIMPULAN DAN KEBERLANJUTAN

Kegiatan pelatihan peningkatan kemampuan pengolahan data penelitian bagi dosen-dosen di Kabupaten Sumenep sudah
dilaksanakan pada tanggal 24-25 September 2021 secara hybrid. Kegiatan pelatihan offline dilaksanakan di Kampus UNIJA,
sedangkan peserta daring melalui Zoom. Kegiatan pelatihan ini dapat memberikan wawasan baru bagi dosen-dosen di Kabu-
paten Sumenep tentang jenis-kenis data, pengolahannya serta intepretasinya, peran statistika untuk quality improvement, tujuh
alat statistika.

Pelatihan ini ditindaklanjuti melalui kegiatan pendampingan. Setelah mengikuti pelatihan dan meng-aplikasikan materi yang
telah didapat, peserta diberi kesempatan berdiskusi dengan waktu yang disesuaikan dengan perjanjian antara tim pengabdi
dari Statistika ITS dan para dosen di Sumenep, sehingga dapat menghasilkan proposal-proposal penelitian yang berkualitas.
Kegiatan pengabdian masyarakat berikutnya diharapkan dapat dilanjutkan dengan pemberian pelatihan berupa pemanfaatan
metode Statistika untuk Pelatihan Tindakan Kelas (PTK) bagi para pendidik di Kabupaten Sumenep.

5 LAMPIRAN

Gambar 17 Kegiatan koordinasi awal.

6 UCAPAN TERIMA KASIH

Kegiatan pengabdian ini terselenggara atas dukungan Dana Departemen ITS tahun 2021 yang diberikan melalui program
pengabdian kepada masyarakat dari Direktorat Riset dan Pengabdian kepada Masyarakat (DRPM) ITS.

Referensi
1. Bhattacharyya GK, Johnson RA. Statistical concepts and methods; 1979.

2. Johnson RA, Bhattacharyya GK. Statistics: principles and methods. John Wiley & Sons; 2019.

3. Pedhazur EJ, Schmelkin LP. Measurement, design, and analysis: An integrated approach. Psychology Press; 2013.
782 Suharsono, DKK.

4. Walpole RE, Myers RH, Myers SL, Ye K. Probability and statistics for engineers and scientists, vol. 5. Macmillan New
York; 1993.

5. Montgomery DC, Peck EA, Vining GG. Introduction to linear regression analysis. John Wiley & Sons; 2021.

6. Hair JF. Multivariate data analysis 2009;.

7. Chin WW. How to write up and report PLS analyses. In: Handbook of Partial Least Squares Springer; 2010.p. 655–690.

8. Vinzi VE, Chin WW, Henseler J, Wang H, et al. Handbook of Partial Least Squares, vol. 201. Springer; 2010.

9. Chin WW, et al. The partial least squares approach to structural equation modeling. Modern Methods for Business Research
1998;295(2):295–336.

10. Ghazali I. Structural equation modeling, metode alternatif dengan partial least square. Semarang: Badan Penerbit
Universitas Diponogoro 2008;.

11. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. Journal
of Marketing Research 1981;18(1):39–50.

Cara mengutip artikel ini: Suharsono, A., Mashuri, M., Khusna, H., Wibawati, Ahsan M., (2022), Peningkatan
Kemampuan Pengolahan Data Penelitian Bagi Dosen-Dosen di Kabupaten Sumenep, Sewagati, 6(6):762–782,
https://doi.org/10.12962/j26139960.v6i6.416.